一种智能制造过程故障识别结果的智能表达方法及装置制造方法及图纸

本发明专利技术涉及智能制造故障预测技术领域，具体涉及一种智能制造过程故障识别结果的智能表达方法及装置，通过采集制造过程中产生的历史故障信号，生成故障数据的单层网络，进而生成可视化的深层网络参数，通过确定当前层与上一层之间特征空间相似特性与变化趋势，表达基于深度网络的故障识别结果，本发明专利技术能直观、清晰地表达制造过程的健康状态，多方面展示制造过程的健康状态。

【技术实现步骤摘要】
一种智能制造过程故障识别结果的智能表达方法及装置
本专利技术涉及智能制造故障预测
，具体涉及一种智能制造过程故障识别结果的智能表达方法及装置。
技术介绍
复杂工业系统设备复杂化、系统集成化、规模大型化趋势日益突出，使得故障信号具有隐蔽性特点，及时有效的检测出故障并采取措施，能够提高生产效率、提升产品质量、减少经济损失和不必要的人身伤亡。因此，提高复杂工业系统安全性和可靠性的故障诊断技术越来越受到关注。现代工业系统中的故障具有隐蔽、随机、幅值低、故障特性不明显、易被噪声掩盖、易被较大正常变化淹没的特点。通过研究，故障状态别结果形成制造过程的健康态势图，及时预测和诊断是保障系统安全并抑制故障恶化的关键因素之一。而如何直观、清晰地表达制造过程的健康状态，多方面展示制造过程的健康状态成为值得解决的问题。
技术实现思路
本专利技术提供一种智能制造过程故障识别结果的智能表达方法及装置，能直观、清晰地表达制造过程的健康状态，多方面展示制造过程的健康状态。本专利技术提供的一种智能制造过程故障识别结果的智能表达方法，包括以下步骤：步骤A、采集制造过程中产生的历史故障信号，剔除噪声信号，生成样本故障数据；步骤B、将样本故障数据生成单层网络数据；步骤C、将单层网络训练的权重拆分为多个基函数的组合；步骤D、生成可视化的深层网络参数；步骤E、确定当前层与上一层之间特征空间相似特性与变化趋势；步骤F、表达基于深度网络的故障识别结果。进一步，所述步骤A中所述历史故障数据包括：制造过程中产生的信号的幅值、相位和频率；所述制造过程中产生的信号由故障信号和噪声信号组成。进一步，所述步骤C具体包括：通过单层网络的参数可视化，将单层网络训练的权重拆分为多个基函数的组合，通过原始信号与多个基函数的点积变换从而进行单层网络的特征提取。进一步，所述步骤D具体包括：步骤D1、可视化单层网络参数；步骤D2、获取深度网络中当前层神经元与上一层神经元之间存在的激活关系；步骤D3、确定激活当前层神经元节点的最大输入模式，将所述节点作为上一层滤波器的线性加权组合；步骤D4、生成深层网络参数；步骤D5、将深层网络参数的可视化。进一步，所述步骤E具体包括：通过逐层可视化网络提取的特征，确定当前层与上一层之间特征空间相似特性与变化趋势。本专利技术提供的一种智能制造过程故障识别结果的智能表达装置，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：步骤A、采集制造过程中产生的历史故障信号，剔除噪声信号，生成样本故障数据；步骤B、将样本故障数据生成单层网络数据；步骤C、将单层网络训练的权重拆分为多个基函数的组合；步骤D、生成可视化的深层网络参数；步骤E、确定当前层与上一层之间特征空间相似特性与变化趋势；步骤F、表达基于深度网络的故障识别结果。进一步，所述步骤A中所述历史故障数据包括：制造过程中产生的信号的幅值、相位和频率；所述制造过程中产生的信号由故障信号和噪声信号组成。进一步，所述步骤C中控制模块读取所述指令具体执行步骤为：通过单层网络的参数可视化，将单层网络训练的权重拆分为多个基函数的组合，通过原始信号与多个基函数的点积变换从而进行单层网络的特征提取。进一步，所述步骤D中控制模块读取所述指令具体执行步骤为：步骤D1、可视化单层网络参数；步骤D2、获取深度网络中当前层神经元与上一层神经元之间存在的激活关系；步骤D3、确定激活当前层神经元节点的最大输入模式，将所述节点作为上一层滤波器的线性加权组合；步骤D4、生成深层网络参数；步骤D5、将深层网络参数的可视化。进一步，所述步骤E中控制模块读取所述指令具体执行步骤为：通过逐层可视化网络提取的特征，确定当前层与上一层之间特征空间相似特性与变化趋势。本专利技术的有益效果是：本专利技术公开一种智能制造过程故障识别结果的智能表达方法及装置，通过采集制造过程中产生的历史故障信号，生成故障数据的单层网络，进而生成可视化的深层网络参数，通过确定当前层与上一层之间特征空间相似特性与变化趋势，表达基于深度网络的故障识别结果，本专利技术能直观、清晰地表达制造过程的健康状态，多方面展示制造过程的健康状态。附图说明下面结合附图和实例对本专利技术作进一步说明。图1是本专利技术实施例一种智能制造过程故障识别结果的智能表达方法流程示意图；图2是本专利技术实施例一种智能制造过程故障识别结果的智能表达方法步骤D的流程示意图。具体实施方式参考图1，本专利技术实施例提供的一种智能制造过程故障识别结果的智能表达方法，包括以下步骤：步骤A、采集制造过程中产生的历史故障信号，剔除噪声信号，生成样本故障数据；步骤B、将样本故障数据生成单层网络数据；步骤C、将单层网络训练的权重拆分为多个基函数的组合；步骤D、生成可视化的深层网络参数；步骤E、确定当前层与上一层之间特征空间相似特性与变化趋势，从而解析故障信息由浅入深的表达模式，直观反映监测大数据的内在结构，增强对监测大数据本质的理解；步骤F、表达基于深度网络的故障识别结果，进而利用这些识别结果形成制造过程的健康态势图，清晰地表达制造过程的健康状态，再结合雷达图、旭日图等从结果识别、趋势发展、置信评估等多方面展示制造过程的健康状态。进一步，所述步骤A中所述历史故障数据包括：制造过程中产生的信号的幅值、相位和频率；所述制造过程中产生的信号由故障信号和噪声信号组成。进一步，所述步骤C具体包括：通过单层网络的参数可视化，将单层网络训练的权重拆分为多个基函数的组合，通过原始信号与多个基函数的点积变换从而进行单层网络的特征提取。参考图2，进一步，所述步骤D具体包括：步骤D1、可视化单层网络参数；步骤D2、获取深度网络中当前层神经元与上一层神经元之间存在的激活关系；步骤D3、确定激活当前层神经元节点的最大输入模式，将所述节点作为上一层滤波器的线性加权组合；步骤D4、生成深层网络参数；步骤D5、将深层网络参数的可视化。进一步，所述步骤E具体包括：通过逐层可视化网络提取的特征，确定当前层与上一层之间特征空间相似特性与变化趋势。本专利技术实施例提供的一种智能制造过程故障识别结果的智能表达装置，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：步骤A、采集制造过程中产生的历史故障信号，剔除噪声信号，生成样本故障数据；步骤B、将样本故障数据生成单层网络数据；步骤C、将单层网络训练的权重拆分为多个基函数的组合；步骤D、生成可视化的深层网络参数；步骤E、确定当前层与上一层之间特征空间相似特性与变化趋势，从而解析故障信息由浅入深的表达模式，直观反映监测大数据的内在结构，增强对监测大数据本质的理解；步骤F、表达基于深度网络的故障识别结果，进而利用这些识别结果形成制造过程的健康态势图，清晰地表达制造过程的健康状态，再结合雷达图、旭日图等从结果识别、趋势发展、置信评估等多方面展示制造过程的健康状态。进一步，所述步骤A中所述历史故障数据包括：制造过程中产生的信号的幅值、相位和频率；所述制造过程中产生的信号由故障信号和噪声信号组成。进一步，所述步骤C中控制模块读取所述指令具体执行步骤为：通过单层网络的参数可视化，将单层网络训练的权重拆分为多个基函数的组合，通过原始信号与多个基函数的点积变换从而进行单层网络的特征提取。进一步，所述步骤D中控制模块读取本文档来自技高网...

【技术保护点】
1.一种智能制造过程故障识别结果的智能表达方法，其特征在于，包括以下步骤：步骤A、采集制造过程中产生的历史故障信号，剔除噪声信号，生成样本故障数据；步骤B、将样本故障数据生成单层网络数据；步骤C、将单层网络训练的权重拆分为多个基函数的组合；步骤D、生成可视化的深层网络参数；步骤E、确定当前层与上一层之间特征空间相似特性与变化趋势；步骤F、表达基于深度网络的故障识别结果。

【技术特征摘要】
1.一种智能制造过程故障识别结果的智能表达方法，其特征在于，包括以下步骤：步骤A、采集制造过程中产生的历史故障信号，剔除噪声信号，生成样本故障数据；步骤B、将样本故障数据生成单层网络数据；步骤C、将单层网络训练的权重拆分为多个基函数的组合；步骤D、生成可视化的深层网络参数；步骤E、确定当前层与上一层之间特征空间相似特性与变化趋势；步骤F、表达基于深度网络的故障识别结果。2.根据权利要求1所述的一种智能制造过程故障识别结果的智能表达方法，其特征在于，所述步骤A中所述历史故障数据包括：制造过程中产生的信号的幅值、相位和频率；所述制造过程中产生的信号由故障信号和噪声信号组成。3.根据权利要求1所述的一种智能制造过程故障识别结果的智能表达方法，其特征在于，所述步骤C具体包括：通过单层网络的参数可视化，将单层网络训练的权重拆分为多个基函数的组合，通过原始信号与多个基函数的点积变换从而进行单层网络的特征提取。4.根据权利要求1所述的一种智能制造过程故障识别结果的智能表达方法，其特征在于，所述步骤D具体包括：步骤D1、可视化单层网络参数；步骤D2、获取深度网络中当前层神经元与上一层神经元之间存在的激活关系；步骤D3、确定激活当前层神经元节点的最大输入模式，将所述节点作为上一层滤波器的线性加权组合；步骤D4、生成深层网络参数；步骤D5、将深层网络参数的可视化。5.根据权利要求1所述的一种智能制造过程故障识别结果的智能表达方法，其特征在于，所述步骤E具体包括：通过逐层可视化网络提取的特征，确定当前层与上一层之间特征空间相似特性与变化趋势。6.一种智能制造过程故障识别结果的智能表达装置，其特征在于，包括控制模块...

【专利技术属性】
技术研发人员：张彩霞，郭静，王向东，王新东，胡绍林，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东,44